toy_document_orgmode_R_fr.org: Update

module2/exo1/toy_document_orgmode_R_fr.org

@@ -21,7 +21,8 @@ pi
 
 * En utilisant la méthode des aiguilles de Buffon
 
-Mais calculé avec la *méthode* des [[https://fr.wikipedia.org/wiki/Aiguille_de_Buffon][aiguilles de Buffon]], on obtiendrait comme *approximation* :
+Mais calculé avec la *méthode* des [[https://fr.wikipedia.org/wiki/Aiguille_de_Buffon][aiguilles de Buffon]], on obtiendrait
+comme *approximation* :
 
 #+begin_src R :results output :session *R* :exports both
 set.seed(42)
@@ -32,17 +33,16 @@ theta = pi/2*runif(N)
 #+end_src
 
 #+RESULTS: 
-: 
 : [1] 3.14327
 
 * Avec un argument "fréquentiel" de surface
 
 Sinon, une méthode plus simple à comprendre et ne faisant pas
-intervenir d'appel à la fonction sinus se base sur le fait que si $X \sim U(0,1)$ et $Y \sim U(0,1)$ alors $P[X² + Y² \le 1] = \pi/4$ (voir
-[[https://fr.wikipedia.org/wiki/M%C3%A9thode_de_Monte-Carlo#D%C3%A9termination_de_la_valeur_de_%CF%80][méthode de Monte Carlo sur Wikipédia]]). Le
-code suivant illustre ce fait :
+intervenir d'appel à la fonction sinus se base sur le fait que si $X \sim
+U(0,1)$ et $Y \sim U(0,1)$ alors $P[X² + Y² \le 1] = \pi/4$ (voir [[https://fr.wikipedia.org/wiki/M%C3%A9thode_de_Monte-Carlo#D%C3%A9termination_de_la_valeur_de_%CF%80][méthode de
+Monte Carlo sur Wikipédia]]). Le code suivant illustre ce fait :
 
-#+begin_src R :results output graphics :file (org-babel-temp-file "figure" ".png") :exports both :width 600 :height 400 :session *R* 
+#+begin_src R :results output graphics :file figure_exo1.png :exports both :width 600 :height 400 :session *R* 
 set.seed(42)
 N = 1000
 df = data.frame(X = runif(N), Y = runif(N))
@@ -52,7 +52,7 @@ ggplot(df, aes(x=X,y=Y,color=Accept)) + geom_point(alpha=.2) + coord_fixed() + t
 #+end_src
 
 #+RESULTS:
-[[file:/tmp/babel-mEAAPj/figureTP5NNK.png]]
+[[file:figure_exo1.png]]
 
 Il est alors aisé d'obtenir une approximation (pas terrible) de \pi en
 comptant combien de fois, en moyenne, $X² + Y²$ est inférieur à 1 :